Tarea Diplomado
Alain Muñoz
12 May 2022
INTRODUCCIÓN
Trabajaremos en base a un ciclo productivo Salmo salar de 54 semanas, con iguales condiciones para las 10 jaulas. Tomaremos datos de peso promedio final, conversión, mortalidad y velocidad de crecimiento en gramos por semana.
datos <- read_excel("/cloud/project/jaula.xlsx")
head(datos)## # A tibble: 6 × 6
## sem jaula grupo pprom znum fcr
## <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1 1 J101 SISA 124. 515 0.863
## 2 2 J101 SISA 132. 686 0.863
## 3 3 J101 SISA 146. 167 0.865
## 4 4 J101 SISA 161. 45 0.867
## 5 5 J101 SISA 182. 27 0.869
## 6 6 J101 SISA 209. 26 0.873GRÁFICAS EXPLORATORIAS
#histograma con mas datos de ejes y mas cadenas de comandos#
#histograma para pprom#
hist(x = datos$pprom, main = "Histograma de Pesos promedio",
xlab = "Gramos", ylab = "Frecuencia",
col = "brown")
Primera apreciación
La distribución de pesos promedios tiene una alta aglomeración en el rango < a 200 [gr], lo cual nos da un indicio de que el grupo conformado por peces provenientes de piscicultura RAS SEALAND, posee un peso menor al de los peces FA SISA.
#histograma para znum#
hist(x = datos$znum, main = "Histograma de numero de mortalidad",
xlab = "N mortalidad", ylab = "Frecuencia",
col = "grey")
Apreciaciones
La distribucion de frecuencias de mortalidad, tambien nos indica que los peces muertos con mayor frecuencia, pertenecen al grupo < a 2000 [gr]
Pruebas de homocedasticidad
Realizaremos pruebas de homocedasticidad e independencia de los datos a trabajar.
par(mfrow=c(2, 3))
plot(density(datos$pprom))
plot(density(datos$znum))
plot(density(datos$fcr))
plot(ecdf(datos$pprom))
plot(ecdf(datos$znum))
plot(ecdf(datos$fcr))
##inndependencia y variacion entre los datos
ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
geom_boxplot()
ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
labs(y = "Peso promedio (g")+
geom_boxplot() +
geom_jitter()
#interaccion entre los datos##
interaction.plot(datos$grupo, datos$pprom, datos$fcr)
corPlot(datos[,4:6], cex = 1.9, main = "Matriz de correlación")
Supuestos previos
Las pruebas de interacción y correlación, no son determinantes como para decidir la diferencia entre los grupos de peces de pisciculturas de recirculación (RAS) y flujo abierto (FA). Por lo tanto, previo a un análisis de hipótesis, realizaremos una exploración visual del comportamiento del centro en cuestión.
grafico <- datos %>%
ggplot() +
geom_point(aes(x = pprom, y = fcr, col = grupo, size = znum), alpha = 0.8) + theme_classic() +
theme(legend.position = "bottom") + guides(size = "none") +
labs(x = "Peso Promedio [gr]" ,y = "FCR", col = "")
grafico +
transition_time(sem)
##
Otra visión, nos la puede entregar la velocidad de crecimiento por
semana, es decir, expresar una tasa de cambio para cada grupo en
[gr/sem]. Ésto queda evidenciado al observar ambos grupos durante las 54
semanas de cultivo.
velocidades <- read_excel("/cloud/project/velocidades.xlsx")
head(velocidades)## # A tibble: 6 × 5
## sem grupo grporsem znum fcr
## <dbl> <chr> <dbl> <dbl> <dbl>
## 1 1 SISA 6 746 0.468
## 2 2 SISA 6.02 2166 0.865
## 3 3 SISA 12.4 351 0.867
## 4 4 SISA 11.3 86 0.868
## 5 5 SISA 17.5 85 0.870
## 6 6 SISA 24.5 78 0.873#velocidad crecimiento SISA
velocidades %>%
filter(grupo == "SISA") %>%
ggplot(aes(sem, grporsem)) + geom_point() + geom_line() +
geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5, col = "gray", size = 20) +
theme_minimal() +
transition_reveal(sem) +
ggtitle("Velocidad crecimiento",
subtitle = "SISA")+
view_follow()
#Velocidad crecimiento SEALAND
velocidades %>%
filter(grupo == "SEALAND") %>%
ggplot(aes(sem, grporsem)) + geom_point() + geom_line() +
geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5, col = "gray", size = 20) +
theme_minimal() +
transition_reveal(sem) +
ggtitle("Velocidad crecimiento",
subtitle = "SEALAND")+
view_follow()